谷歌发布Gemini 2.5 Computer Use：AI代理迈入视觉交互新纪元

谷歌，特别是其Google DeepMind部门，于2025年10月7日正式揭晓了其专为计算机操作设计的全新人工智能模型——Gemini 2.5 Computer Use。此次发布标志着人工智能技术从纯粹的数据处理能力，向对复杂数字环境的直接、自主干预迈进，为构建高度智能化的数字代理奠定了关键基础。该模型依托于Gemini 2.5 Pro强大的视觉理解与逻辑推理核心能力，其主要目标是模拟人类在用户界面（UI）上的自然交互行为。

Gemini 2.5 Computer Use的核心价值在于其对图形用户界面（GUI）的精细化掌控。它能够识别屏幕上的元素，并执行包括点击、文本输入和滚动在内的多达13种浏览器操作。这项能力使其能够高效处理那些缺乏标准应用程序编程接口（API）支持的网页任务，例如自动化数据录入、执行复杂的商品筛选流程，乃至整理跨页面的数字信息。其工作机制体现了一种精妙的迭代循环：接收用户指令后，模型首先分析当前界面的截图，随后生成并执行一个UI动作响应，接着根据新的界面状态重复此过程，直至任务圆满完成。

在性能衡量方面，谷歌的这项创新展现出卓越的竞争力。通过Browserbase的Online-Mind2Web、WebVoyager和AndroidWorld等一系列行业基准测试，Gemini 2.5 Computer Use在网页和移动端控制任务中均取得了领先地位，尤其在响应速度方面，其延迟表现被业界视为树立了新的标杆。这种对速度的优化，意味着数字代理的决策与执行将更加迅捷，更贴近即时的人类反应，为自动化办公和用户界面测试等领域带来了效率的飞跃。在谷歌内部，该模型已应用于界面测试，能够恢复高达70%的测试运行故障。据评估，在某些测试中，它超越了Claude Sonnet 4.5。

目前，该模型的预览版已通过Google AI Studio和Vertex AI平台上的Gemini API向开发者开放，允许他们立即着手构建和测试下一代自动化代理。谷歌的这一布局旨在为开发者提供一个即时可用的强大工具集，体现了对加速创新应用的期许，也预示着谷歌在推动人工智能操作层面的战略部署正在加速，与业界其他前沿力量的竞争格局也随之更加引人注目。

值得注意的是，尽管该模型专注于浏览器环境的精细控制，目前尚未扩展至桌面系统级的操作。谷歌已将风险规避理念深度植入模型训练之中，内置了多重安全机制和开发者管控工具，以有效防止诸如绕过验证码或执行高风险操作等潜在的滥用行为。这种对安全边界的审慎考量，确保了技术在推动效率提升的同时，能够稳健地服务于构建更可靠、更具责任感的数字助手。